La tabla muestra cómo la población ha ido incrementando a lo largo de los años en la mayoría de estos países, y además, destaca que no hay una relación directa entre el tamaño del área del país y el crecimiento poblacional.
La tabla proporciona una visión detallada de la población de diferentes naciones, lo que permite identificar patrones y tendencias en su crecimiento demográfico. Al señalar que la población no está directamente relacionada con el área, sugiere que factores adicionales, como la densidad de población, el desarrollo económico o la migración, podrían estar influyendo en el crecimiento poblacional de cada país.
Acci_Barranquilla <- read_delim("Accidentalidad_en_Barranquilla.csv",delim = ";",
escape_double = FALSE, trim_ws = TRUE) %>% clean_names() %>%
mutate(dia_accidente = ifelse(dia_accidente == "Lun", "Lunes", dia_accidente),
dia_accidente = ifelse(dia_accidente == "Mar", "Martes", dia_accidente),
dia_accidente = ifelse(dia_accidente == "Mié", "Miercoles", dia_accidente),
dia_accidente = ifelse(dia_accidente == "Jue", "Jueves", dia_accidente),
dia_accidente = ifelse(dia_accidente == "Vie", "Viernes", dia_accidente),
dia_accidente = ifelse(dia_accidente == "Sáb", "Sabado", dia_accidente),
dia_accidente = ifelse(dia_accidente == "Dom", "Domingo", dia_accidente))
head(Acci_Barranquilla, 10)Analisis de la población de Colombia(Rank 28) desde el año 2000 hasta el año 2022 comparado con India y North Korea(Rank 1 y 56).
accidentes_año <- Acci_Barranquilla %>% select(ano_accidente, gravedad_accidente, clase_accidente) %>%
group_by(ano_accidente) %>%
summarise(cantidad_accidentes = n())
acc_año_g <- ggplot(accidentes_año, aes(x = ano_accidente, y = cantidad_accidentes))+
geom_line(color="#69b3a2")+
geom_point(shape=21, color="white", fill="#69b3a2", size=3) +
theme_ipsum() +
ggtitle("Accidentes 2015 - 2023")+
xlab("Años")+
ylab("Cantidad de Accidentes")
ggplotly(acc_año_g)Analisis de la poblacion de Colombia(Rank 28) desde el año 2000 hasta el año 2050 comparado con Argentina y Venezuela(Rank 33 y 52).
heridos <- Acci_Barranquilla %>% select(gravedad_accidente) %>%
group_by(gravedad_accidente) %>%
summarise(cantidad = n(), porcentaje = (cantidad/43205 * 100))
heridos_g <- ggplot(heridos, aes(x = "", y = porcentaje , fill = gravedad_accidente))+
geom_bar(stat = "identity", color = "white")+
theme_ipsum()
ggplotly(heridos_g)num_heridos_año <- Acci_Barranquilla %>% select(ano_accidente, gravedad_accidente) %>%
group_by(ano_accidente, gravedad_accidente) %>%
summarise( n = n())
acc_her_año_g <- ggplot(num_heridos_año, aes(x = ano_accidente, y = n , color = gravedad_accidente))+
geom_line()+
geom_point()+
theme_ipsum()
ggplotly(acc_her_año_g)num_clase_año <- Acci_Barranquilla %>% select(ano_accidente, clase_accidente) %>%
group_by(ano_accidente, clase_accidente) %>%
summarise( n = n())
acc_clase_año_g <- ggplot(num_clase_año, aes(x = ano_accidente, y = n , color = clase_accidente))+
geom_line()+
geom_point()+
theme_ipsum()
ggplotly(acc_clase_año_g)can_acc_mes_22 <- Acci_Barranquilla %>%
select(ano_accidente, mes_accidente) %>%
group_by(ano_accidente, mes_accidente) %>%
summarise(cantidad = n()) %>%
filter(ano_accidente == 2022) %>%
arrange(mes_accidente)
#ordenar meses del año
can_acc_mes_22$mes_accidente <- factor(can_acc_mes_22$mes_accidente, levels = c("enero","febrero","marzo","abril","mayo","junio","julio","agosto","septiembre","octubre","noviembre","diciembre"))
can_acc_mes_22_g <- ggplot(can_acc_mes_22, aes( x = mes_accidente, y = cantidad, fill = mes_accidente))+
geom_bar(stat = "identity", width=0.5)+
theme(legend.position="none")+
theme_ipsum() +
theme(
panel.grid.minor.x = element_blank(),
panel.grid.major.x = element_blank(),
legend.position="none",
axis.text.x = element_text(angle = 80, hjust=1))+
xlab("")+
ylab("Cantidad")
ggplotly(can_acc_mes_22_g)acc_sem <- Acci_Barranquilla %>% select(ano_accidente, dia_accidente) %>%
group_by(dia_accidente) %>%
summarise( cantidad = n())
acc_sem$dia_accidente <- factor(acc_sem$dia_accidente, levels = c("Lunes","Martes","Miercoles","Jueves","Viernes","Sabado","Domingo"))
acc_sem_g <- ggplot(acc_sem, aes(x = dia_accidente, y = cantidad , fill = dia_accidente))+
geom_bar(stat = "identity", width=0.5)+
theme(legend.position="none")+
theme_ipsum()+
theme(
panel.grid.minor.x = element_blank(),
panel.grid.major.x = element_blank(),
legend.position="none")+
xlab("")+
ylab("Cantidad")+
coord_flip()
ggplotly(acc_sem_g)acc_sem_año <- Acci_Barranquilla %>% select(ano_accidente, dia_accidente) %>%
group_by(ano_accidente, dia_accidente) %>%
summarise( cantidad = n())
#ordenar los dias de la semana
acc_sem_año$dia_accidente <- factor(acc_sem_año$dia_accidente, levels = c("Lunes","Martes","Miercoles","Jueves","Viernes","Sabado","Domingo"))
acc_sem_año_g <- ggplot(acc_sem_año, aes(x = ano_accidente, y = cantidad , color = dia_accidente))+
geom_line()+
geom_point()+
theme_ipsum()+
ylab("")+
xlab("Año")
#facet_wrap(~dia_accidente, scale="free_y")
ggplotly(acc_sem_año_g)